基于多智能体强化学习的 RIS 辅助细胞-free 大规模 MIMO 系统联合波束赋形与相位移优化
信息论
2024-05-16 v1 信号处理
math.IT
摘要
Cell-free (CF) 大规模 MIMO (mMIMO) 是实现高频谱效率 (SE) 的有前景技术，利用多个分布式 access point (AP)。然而，恶劣的传播环境常导致显著的通信性能下降 due to 高渗透损耗。为克服这一问题，我们将可重构智能表面 (RIS) 引入 CF mMIMO 系统作为低成本和高能效的解决方案。本文聚焦于优化 RIS 辅助 CF mMIMO 系统的联合波束设计，以最大化总 SE。这涉及优化 AP 处的波束矩阵以及 RIS 处的反射系数。为解决该问题，我们提出一种融合模糊逻辑 (FL) 的全分布式多智能体强化学习 (MARL) 算法。与传统依赖交替优化技术的方法不同，我们的 FL-based MARL 算法仅需要局部信道状态信息 (CSI)，从而降低了对高背haul 容量的需求。仿真结果表明，我们提出的 FL-MARL 算法在降低计算复杂度的同时，实现了与传统 MARL 方法相似的性能。
引用
@article{arxiv.2404.14092,
title = {Multi-agent Reinforcement Learning-based Joint Precoding and Phase Shift Optimization for RIS-aided Cell-Free Massive MIMO Systems},
author = {Yiyang Zhu and Enyu Shi and Ziheng Liu and Jiayi Zhang and Bo Ai},
journal= {arXiv preprint arXiv:2404.14092},
year = {2024}
}